文章目录
- 优化模型参数
- 超参数
- 循环优化
- 损失函数
- 优化器
- 完整实现
优化模型参数
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda
device = 'cuda' if torch.cuda.is_available() else 'cpu'
print(device)
# ======================= 数据 =======================
training_data = datasets.FashionMNIST(
root="data",
train=True,
download=True,
transform=ToTensor()
)
test_data = datasets.FashionMNIST(
root="data",
train=False,
download=True,
transform=ToTensor()
)
train_dataloader = DataLoader(training_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)
# ======================= 模型 =======================
class NeuralNetwork(nn.Module):
def __init__(self):
super(NeuralNetwork, self).__init__()
self.linear_relu_stack = nn.Sequential(
nn.Linear(28 * 28, 512),
nn.ReLU(),
nn.Linear(512, 512),
nn.ReLU(),
nn.Linear(512, 10),
)
def forward(self, x):
x = x.flatten(1)
logits = self.linear_relu_stack(x)
return logits现在我们已经有模型和数据集了，是时候利用数据集来训练、验证和测试我们的模型了。训练模型是一个迭代过程；在每次迭代（称为epoch）中，数据输入模型；模型对输出进行估计；优化器根据估计值与真实值的误差（损失loss）计算其相对于模型参数的导数（如前一节所示），然后使用梯度下降优化模型的参数。
超参数
超参数是可调的参数，我们可以通过调整超参数来控制模型优化过程：超参数取不同值可能会影响模型训练和收敛速度。
我们为模型的训练定义以下超参数：
learning_rate = 1e-3
batch_size = 64
epochs = 10- Epochs：遍历整个数据集的次数
- Batch Size：更新参数之前输入模型的数据样本数
- 学习率(Learning Rate)：在每个批次/epoch更新模型参数的程度。小的学习率会导致学习速度较慢，而较大的值可能会导致模型不收敛。
循环优化
一旦我们设置了超参数，我们就可以通过循环优化来训练和优化我们的模型。优化循环的每次迭代称为一个epoch。
每个epoch由两个主要部分组成：
（1） 训练循环(The Train Loop)：迭代训练数据集，尝试着让模型参数收敛到最佳参数。
在训练环节中，优化分为三个步骤：
- 调用
optimizer.zero_grad()重置模型参数的梯度。默认情况下，梯度是累加的；为了防止重复计数，我们在每次迭代时显式地将它们归零。 - 通过调用
loss.backward()对预测损失进行反向传播。PyTorch将存储损失关于每个参数的梯度。 - 一旦我们得到了梯度，我们就调用
optimizer.step()，这将通过在反向传播中收集的梯度来调整参数。
def train_loop(dataloader, model, loss_fn, optimizer):
'''训练循环'''
size = len(dataloader.dataset)
for batch, (X, y) in enumerate(dataloader):
X = X.to(device)
y = y.to(device)
# 计算估计值与损失
pred = model(X)
loss = loss_fn(pred, y)
# 反向传播
optimizer.zero_grad()
loss.backward()
optimizer.step()
if batch % 100 == 0:
loss, current = loss.item(), batch * len(X)
print(f"loss: {loss:>7f} [{current:>5d}/{size:>5d}]")（2） 验证/测试循环(The Validation/Test Loop)：迭代测试数据集，检查模型性能是否正在改善。
def test_loop(dataloader, model, loss_fn):
'''测试循环'''
size = len(dataloader.dataset)
num_batches = len(dataloader)
test_loss, correct = 0, 0
with torch.no_grad():
for X, y in dataloader:
X = X.to(device)
y = y.to(device)
pred = model(X)
test_loss += loss_fn(pred, y).item()
correct += (pred.argmax(1) == y).type(torch.float).sum().item()
test_loss /= num_batches
correct /= size
print(f"Test Error: \n Accuracy: {(100 * correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")让我们简单地熟悉一下上文训练循环中使用的一些概念。
损失函数
当输入一些训练数据时，未经训练的网络可能无法输出正确的答案。损失函数衡量估计值与目标值的差距，我们希望在训练过程中最小化损失。为了计算损失，我们使用给定数据样本作为输入进行预测，并将其与真实数据标签值进行比较。
常见的损失函数包括回归任务的nn.MSELoss（均方误差）和用于分类的nn.NLLLoss（负对数似然）。nn.CrossEntropyLoss 由nn.LogSoftmax和nn.NLLLoss合成。（在后续文章再详细介绍。）
我们将模型的输出逻辑传递给nn.CrossEntropyLoss，它将规范化logits(模型的输出)并计算预测误差。
loss_fn = nn.CrossEntropyLoss()优化器
优化是在每个训练步骤中调整模型参数以减少模型误差的过程。优化算法指定如何执行该过程（在本例中，我们使用随机梯度下降）。所有优化逻辑都封装在优化器对象中。这里，我们使用SGD优化器；此外，Pytorch中有许多不同的优化器，如Adam和RMSProp。（在后续文章再详细介绍。）
我们通过传递所需要训练的模型参数和学习率参数来初始化优化器。
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)完整实现
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda
device = 'cuda' if torch.cuda.is_available() else 'cpu'
print(device)
# ======================= 数据 =======================
training_data = datasets.FashionMNIST(
root="data",
train=True,
download=True,
transform=ToTensor()
)
test_data = datasets.FashionMNIST(
root="data",
train=False,
download=True,
transform=ToTensor()
)
train_dataloader = DataLoader(training_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)
# ======================= 模型 =======================
class NeuralNetwork(nn.Module):
def __init__(self):
super(NeuralNetwork, self).__init__()
self.linear_relu_stack = nn.Sequential(
nn.Linear(28 * 28, 512),
nn.ReLU(),
nn.Linear(512, 512),
nn.ReLU(),
nn.Linear(512, 10),
)
def forward(self, x):
x = x.flatten(1)
logits = self.linear_relu_stack(x)
return logits
def train_loop(dataloader, model, loss_fn, optimizer):
'''训练循环'''
size = len(dataloader.dataset)
for batch, (X, y) in enumerate(dataloader):
X = X.to(device)
y = y.to(device)
# 计算估计值与损失
pred = model(X)
loss = loss_fn(pred, y)
# 反向传播
optimizer.zero_grad()
loss.backward()
optimizer.step()
if batch % 100 == 0:
loss, current = loss.item(), batch * len(X)
print(f"loss: {loss:>7f} [{current:>5d}/{size:>5d}]")
def test_loop(dataloader, model, loss_fn):
'''测试循环'''
size = len(dataloader.dataset)
num_batches = len(dataloader)
test_loss, correct = 0, 0
with torch.no_grad():
for X, y in dataloader:
X = X.to(device)
y = y.to(device)
pred = model(X)
test_loss += loss_fn(pred, y).item()
correct += (pred.argmax(1) == y).type(torch.float).sum().item()
test_loss /= num_batches
correct /= size
print(f"Test Error: \n Accuracy: {(100 * correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")
# 超参数
learning_rate = 1e-3
batch_size = 64
epochs = 10
# 模型实例
model = NeuralNetwork().to(device)
# 损失函数实例
loss_fn = nn.CrossEntropyLoss()
# 优化器实例
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
for t in range(epochs):
print(f"Epoch {t + 1}\n-------------------------------")
train_loop(train_dataloader, model, loss_fn, optimizer)
test_loop(test_dataloader, model, loss_fn)
print("Done!")参考：
[1] https://pytorch.org/tutorials/beginner/basics/optimization_tutorial.html
